在免疫-物质相互作用中,基于机器学习的无标签巨细胞表型化
Chawalwat Martkamjan1,2, Kornlavit Lerdsudkanung1,2, Paul Sean Tipay2,3
1International School of Engineering, Faculty of Engineering, Chulalongkorn University, Bangkok, Thailand.
Journal of materials chemistry. B
|April 28, 2025
概括
这项研究介绍了一种基于人工智能的成像技术,用于非侵入性巨细胞表型化,这对于改善植入物生物相容性至关重要. 该方法可以准确区分巨细胞的亚型,有助于开发更安全的生物医学植入物.
科学领域:
- 生物医学工程 生物医学工程
- 免疫学 免疫学 免疫学
- 材料科学 材料科学 材料科学
背景情况:
- 可植入的生物医学材料需要了解巨细胞相互作用,以获得最佳的免疫相容性.
- 巨细胞是具有塑性表型 (M1/M2) 的关键免疫调节体,但传统方法存在局限性.
- 开发用于无标签巨细胞表型化的先进技术至关重要.
研究的目的:
- 开发和验证使用人工智能和定量相成像 (QPI) 的高通量,无标签的巨表型化方法.
- 评估巨细胞对不同原涂层 (I,III,IV类型) 的反应,用于生物材料应用.
主要方法:
- 将THP-1巨细胞分化为M0,M1,M2a和M2c表型.
- 利用定量相成像 (QPI) 来分析形态和折射率属性.
- 采用深度学习模型 (GoogLeNet,ShuffleNet,VGG-16,ResNet-18) 来进行人工智能驱动的图像分类,ResNet-18的准确性达到90%以上.
- 通过机器学习和细胞因子分析,评估巨细胞对原涂层的反应.
主要成果:
- 与深度学习 (ResNet-18) 结合的QPI能够实现准确 (>90%) 的巨细胞表型.
- 原I涂层诱导了一种促炎 (M1) 反应.
- 原III支持平衡的M1/M2形状,而原IV促进了受控的免疫环境.
结论:
- 人工智能驱动的QPI提供了一种非侵入性,高吞吐量方法来对巨细胞进行表征.
- 这种方法为生物材料免疫相容性提供了宝贵的见解.
- 这些发现可以为下一代生物医学植入物的设计提供信息,以提高生物相容性.
